머신러닝은 놀라운 방법으로 우주의 신비를 풀어내고 있습니다.
우주 여행, 탐험, 관찰에는 인류 역사상 가장 복잡하고 위험한 일련의 과학 및 기술 작업이 포함되는 경우가 많습니다. 이러한 분야에서 인공지능(AI)은 강력한 보조자임이 입증되었습니다.
궁극의 개척지를 탐험하고 문서화하는 임무를 맡은 우주 비행사, 과학자 및 기타 사람들이 그들이 직면한 특별한 과제를 해결하는 데 적극적으로 머신 러닝(ML)을 사용하는 이유가 바로 여기에 있습니다.
우주를 통해 로켓을 유도하는 것부터 먼 행성의 표면을 연구하고, 우주의 크기를 측정하고 천체의 운동 궤적을 계산하는 것까지 AI는 우주에서 흥미롭고 흥미로운 응용 시나리오를 많이 가지고 있습니다.
Space Voyage
우주선의 이착륙 과정에서 AI는 엔진 작동을 자동화하고 랜딩 기어와 같은 기능의 실제 배치를 관리하여 연료의 분배와 사용을 최적화할 수 있습니다.
SpaceX는 AI 내비게이션 시스템을 사용하여 Falcon 9 우주선의 자율 작동을 달성했으며 NASA와 체결한 화물 운송 계약에 따라 국제 우주 정거장(ISS)에 성공적으로 도킹했습니다. 이 시스템은 연료 사용, 대기 교란 및 엔진 내부의 액체 "출렁거림"을 고려하여 우주를 통과하는 로켓의 궤적을 계산할 수 있습니다.
CIMON 2는 Airbus가 설계한 로봇으로, 우주비행사 옆에 있는 모바일 Amazon Alexa 가상 비서에 해당합니다. IBM Watson AI 시스템을 사용하여 구축된 이 시스템은 내부 팬을 사용하여 앞으로 나아가며 핸즈프리 정보 데이터베이스, 컴퓨터 및 카메라 역할을 할 수 있습니다. 목소리의 스트레스 수준을 분석하여 우주비행사의 기분과 정신 상태를 평가할 수도 있습니다.
NASA 제트 추진 연구소의 임무 기획자는 AI를 사용하여 다양한 임무 매개변수를 모델링하고 평가하여 다양한 옵션과 행동 과정의 잠재적 결과를 이해합니다. 이러한 실험은 미래의 우주선 설계 및 엔지니어링 작업에 대한 지침 정보를 제공할 수 있습니다. 수집된 데이터는 금성과 목성을 공전하는 얼음 달인 유로파에 착륙하는 것을 포함하여 다양한 가상의 미래 임무를 계획하는 데에도 사용될 수 있습니다.
SpaceX는 또한 AI 알고리즘을 사용하여 Starlink 위성이 우주에서 다른 궤도 또는 전환 차량과 충돌하지 않도록 합니다. 자율 항법 시스템은 실시간으로 주변 위험을 감지하고 위성의 속도와 궤도를 조정하여 회피 조치를 취할 수 있습니다.
영국 우주국(British Space Agency)도 자율적 행동을 통해 우주선과 위성이 우주 잔해를 피할 수 있도록 하는 자율 시스템을 개발했습니다. 2025년까지 영국 우주국은 우주 잔해를 포착하고 청소하는 임무를 가지고 이를 기반으로 자율 우주선을 발사할 계획이다. 사전에 통제하지 않으면 우주 쓰레기는 미래의 우주 비행에 위협이 될 가능성이 높습니다.
Planetary Exploration
화성 탐사선은 화성 표면 탐사 전용 로봇입니다. 우리는 그들이 지구로 보내는 데이터를 분석하고 학습할 수 있습니다. 기계 학습 알고리즘 덕분에 이 로봇은 하드웨어를 손상시키거나 고정시킬 수 있는 깊은 구덩이와 가파른 벽을 피하면서 화성 표면에서 자율적으로 탐색할 수 있습니다. 이전에 화성으로 보내졌던 스피릿 로버는 바퀴가 부드러운 흙에 끼어 그 자리에 갇히게 되었고, NASA는 2011년 마침내 구조와 접촉을 포기하기로 결정했습니다. NASA는 기계 학습 기술의 도움으로 다른 탐사선의 우발적인 손실을 성공적으로 방지했습니다.
최근 NASA의 제트 추진 연구소에서는 이미지 인식 도구를 사용하여 화성 탐사선과 같은 지상 로봇이 촬영한 이미지를 연구하고 지형 특징을 분류했습니다. 그들은 심지어 화성 표면에서 직경이 4미터에 불과한 분화구를 발견하기도 했습니다.
Perseverance 로버에는 화성 표면에서 발견되는 다양한 암석 유형을 감지하고 분류할 수 있는 AEGIS라는 컴퓨터 비전 시스템이 장착되어 있어 화성의 지질학적 구성에 대해 더 자세히 알아볼 수 있습니다.
화성 탐사선이 사용하는 AI 알고리즘을 집에서 훈련시키는 데에도 참여할 수 있습니다. AI4Mars 프로젝트는 사용자가 개인용 컴퓨터에 지형 특징을 표시하여 Curiosity 로버의 자율 항법 시스템을 개선하는 도구를 다운로드하도록 초대합니다.
지금까지 대부분의 표면 탐사는 바퀴 달린 로봇에 의존해 왔지만, 유럽 우주국에서는 "호핑" 로봇의 사용을 실험하고 있습니다. 이 로봇은 다리를 이용해 앞으로 움직이고 점프할 수 있습니다. AI 알고리즘은 로봇 팔다리의 움직임과 균형을 조정하여 거대한 분화구로 인해 형성된 달의 Aristarchus 고원과 같이 이전에는 접근할 수 없었던 달의 위치를 탐색합니다.
사람들은 AI를 사용하여 달 표면을 감지하고 향후 유인 임무를 위한 최적의 착륙 지점을 결정하기 시작했습니다. 이는 또한 우주비행사들이 미래에 착륙할 환경을 충분히 이해하는 데 도움이 되며, 암스트롱과 같은 1세대 달 착륙선과 같은 큰 위험에 직면하지 않아도 됩니다.
우주 매핑
천문학자들은 AI를 사용하여 먼 성운에 있는 성단의 패턴을 식별하고 우주 지도를 작성하기 위해 깊은 우주에서 감지된 기타 분류된 특징과 결합합니다.
NASA의 케플러 망원경을 예로 들면, 별에서 방출되는 빛 복사의 감쇠를 분석하여 행성이 별과 지구 사이를 통과하는지 여부를 확인한 다음 행성의 가능한 위치를 결정할 수 있습니다.
AI는 별과 은하의 활동을 예측하는 데에도 사용되어 초신성 폭발과 같은 우주 사건의 잠재적 위치를 이해하는 데 도움이 됩니다.
신비한 물체가 중성자별과 충돌할 때 발생하는 중력파를 시계열 분석한 결과, 연구자들은 수십 개의 블랙홀의 존재를 발견했습니다.
AI 기술은 지구와 우주 전체를 내려다보는 데에도 사용됩니다. 2004년부터 가동을 시작한 자율 과학기술 실험 프로젝트는 지구 예측 1호 위성과 연결되어 카메라가 촬영한 이미지를 자동으로 분류한 후 귀중한 대역폭 전송을 지구로 보내는 데 더 가치 있는 이미지를 결정합니다.
UC Berkeley의 SETI@Home 프로젝트는 AI 알고리즘을 사용하여 전파 망원경에서 생성된 대량의 데이터를 처리하여 우주에서 외계 지능의 징후를 검색합니다. 프로젝트에서 검사를 위해 자원봉사자에게 새 데이터를 보내는 것을 중단했지만 여전히 분석 및 검색되지 않은 데이터의 양이 많기 때문에 이 자료에는 흥미로운 진실이 있을 수 있습니다!
AI는 현재까지 가장 정확한 블랙홀 이미지를 만드는 데에도 사용되었습니다. Roger Penrose, Reinhard Genzel 및 Andrea Ghez는 M87 은하 중심에 있는 초거대 블랙홀의 사실적인 이미지를 만들어낸 공로로 2020년 노벨상을 수상했습니다.
AI 응용 프로그램의 범위는 그 이상입니다. 이제 연구원들은 사건의 지평선을 넘어 AI 기술을 사용하여 블랙홀 내부에서 무슨 일이 일어나고 있는지 밝히기를 희망하고 있습니다. 이 작업에는 양자 컴퓨팅도 포함되며 물리학자들이 해당 분야의 가장 핵심적인 문제 중 하나인 아인슈타인의 일반 상대성 이론과 입자 물리학의 표준 모델을 통합하는 문제를 해결하는 데 도움이 될 것으로 예상됩니다.
사람들은 AI가 우주를 측정하고 크기와 모양을 더 잘 파악하는 데 도움이 되기를 바랍니다. 일본의 천문 데이터를 연구하기 위해 AI 슈퍼컴퓨터를 사용하여 알려진 우주의 존재와 일치하는 시뮬레이션된 별 지도를 만드는 데 성공했습니다. 이는 우리가 우주의 특성을 예측할 수 있고, 빛의 속도 한계로 인해 방해받는 현재 탐사의 경계(즉, 관측 가능한 우주)를 넘어설 수 있음을 의미합니다.
위 내용은 머신러닝은 놀라운 방법으로 우주의 신비를 풀어내고 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
핫 AI 도구
Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱
AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.
Undress AI Tool
무료로 이미지를 벗다
Clothoff.io
AI 옷 제거제
AI Hentai Generator
AI Hentai를 무료로 생성하십시오.
인기 기사
뜨거운 도구
메모장++7.3.1
사용하기 쉬운 무료 코드 편집기
SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.
스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경
드림위버 CS6
시각적 웹 개발 도구
SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)
뜨거운 주제
7554
15
1382
52
83
11
59
19
28
96
이 기사에서는 SHAP: 기계 학습을 위한 모델 설명을 이해하도록 안내합니다.
Jun 01, 2024 am 10:58 AM
기계 학습 및 데이터 과학 분야에서 모델 해석 가능성은 항상 연구자와 실무자의 초점이었습니다. 딥러닝, 앙상블 방법 등 복잡한 모델이 널리 적용되면서 모델의 의사결정 과정을 이해하는 것이 특히 중요해졌습니다. explainable AI|XAI는 모델의 투명성을 높여 머신러닝 모델에 대한 신뢰와 확신을 구축하는 데 도움이 됩니다. 모델 투명성을 향상시키는 것은 여러 복잡한 모델의 광범위한 사용은 물론 모델을 설명하는 데 사용되는 의사 결정 프로세스와 같은 방법을 통해 달성할 수 있습니다. 이러한 방법에는 기능 중요도 분석, 모델 예측 간격 추정, 로컬 해석 가능성 알고리즘 등이 포함됩니다. 특성 중요도 분석은 모델이 입력 특성에 미치는 영향 정도를 평가하여 모델의 의사결정 과정을 설명할 수 있습니다. 모델 예측 구간 추정
학습 곡선을 통해 과적합과 과소적합 식별
Apr 29, 2024 pm 06:50 PM
이 글에서는 학습 곡선을 통해 머신러닝 모델에서 과적합과 과소적합을 효과적으로 식별하는 방법을 소개합니다. 과소적합 및 과적합 1. 과적합 모델이 데이터에 대해 과도하게 훈련되어 데이터에서 노이즈를 학습하는 경우 모델이 과적합이라고 합니다. 과적합된 모델은 모든 예를 너무 완벽하게 학습하므로 보이지 않거나 새로운 예를 잘못 분류합니다. 과대적합 모델의 경우 완벽/거의 완벽에 가까운 훈련 세트 점수와 형편없는 검증 세트/테스트 점수를 얻게 됩니다. 약간 수정됨: "과적합의 원인: 복잡한 모델을 사용하여 간단한 문제를 해결하고 데이터에서 노이즈를 추출합니다. 훈련 세트로 사용되는 작은 데이터 세트는 모든 데이터를 올바르게 표현하지 못할 수 있기 때문입니다."
투명한! 주요 머신러닝 모델의 원리를 심층적으로 분석!
Apr 12, 2024 pm 05:55 PM
일반인의 관점에서 보면 기계 학습 모델은 입력 데이터를 예측된 출력에 매핑하는 수학적 함수입니다. 보다 구체적으로, 기계 학습 모델은 예측 출력과 실제 레이블 사이의 오류를 최소화하기 위해 훈련 데이터로부터 학습하여 모델 매개변수를 조정하는 수학적 함수입니다. 기계 학습에는 로지스틱 회귀 모델, 의사결정 트리 모델, 지원 벡터 머신 모델 등 다양한 모델이 있습니다. 각 모델에는 적용 가능한 데이터 유형과 문제 유형이 있습니다. 동시에, 서로 다른 모델 간에는 많은 공통점이 있거나 모델 발전을 위한 숨겨진 경로가 있습니다. 연결주의 퍼셉트론을 예로 들면, 퍼셉트론의 은닉층 수를 늘려 심층 신경망으로 변환할 수 있습니다. 퍼셉트론에 커널 함수를 추가하면 SVM으로 변환할 수 있다. 이 하나
우주탐사 및 인간정주공학 분야 인공지능의 진화
Apr 29, 2024 pm 03:25 PM
1950년대에는 인공지능(AI)이 탄생했다. 그때 연구자들은 기계가 사고와 같은 인간과 유사한 작업을 수행할 수 있다는 것을 발견했습니다. 이후 1960년대에 미국 국방부는 인공 지능에 자금을 지원하고 추가 개발을 위해 실험실을 설립했습니다. 연구자들은 우주 탐사, 극한 환경에서의 생존 등 다양한 분야에서 인공지능의 응용 분야를 찾고 있습니다. 우주탐험은 지구를 넘어 우주 전체를 포괄하는 우주에 대한 연구이다. 우주는 지구와 조건이 다르기 때문에 극한 환경으로 분류됩니다. 우주에서 생존하려면 많은 요소를 고려해야 하며 예방 조치를 취해야 합니다. 과학자와 연구자들은 우주를 탐험하고 모든 것의 현재 상태를 이해하는 것이 우주가 어떻게 작동하는지 이해하고 잠재적인 환경 위기에 대비하는 데 도움이 될 수 있다고 믿습니다.
C++에서 기계 학습 알고리즘 구현: 일반적인 과제 및 솔루션
Jun 03, 2024 pm 01:25 PM
C++의 기계 학습 알고리즘이 직면하는 일반적인 과제에는 메모리 관리, 멀티스레딩, 성능 최적화 및 유지 관리 가능성이 포함됩니다. 솔루션에는 스마트 포인터, 최신 스레딩 라이브러리, SIMD 지침 및 타사 라이브러리 사용은 물론 코딩 스타일 지침 준수 및 자동화 도구 사용이 포함됩니다. 실제 사례에서는 Eigen 라이브러리를 사용하여 선형 회귀 알고리즘을 구현하고 메모리를 효과적으로 관리하며 고성능 행렬 연산을 사용하는 방법을 보여줍니다.
당신이 모르는 머신러닝의 5가지 학교
Jun 05, 2024 pm 08:51 PM
머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.
설명 가능한 AI: 복잡한 AI/ML 모델 설명
Jun 03, 2024 pm 10:08 PM
번역기 | 검토자: Li Rui | Chonglou 인공 지능(AI) 및 기계 학습(ML) 모델은 오늘날 점점 더 복잡해지고 있으며 이러한 모델에서 생성되는 출력은 이해관계자에게 설명할 수 없는 블랙박스입니다. XAI(Explainable AI)는 이해관계자가 이러한 모델의 작동 방식을 이해할 수 있도록 하고, 이러한 모델이 실제로 의사 결정을 내리는 방식을 이해하도록 하며, AI 시스템의 투명성, 이 문제를 해결하기 위한 신뢰 및 책임을 보장함으로써 이 문제를 해결하는 것을 목표로 합니다. 이 기사에서는 기본 원리를 설명하기 위해 다양한 설명 가능한 인공 지능(XAI) 기술을 살펴봅니다. 설명 가능한 AI가 중요한 몇 가지 이유 신뢰와 투명성: AI 시스템이 널리 수용되고 신뢰되려면 사용자가 의사 결정 방법을 이해해야 합니다.
Flash Attention은 안정적인가요? Meta와 Harvard는 모델 중량 편차가 수십 배로 변동한다는 사실을 발견했습니다.
May 30, 2024 pm 01:24 PM
MetaFAIR는 대규모 기계 학습을 수행할 때 생성되는 데이터 편향을 최적화하기 위한 새로운 연구 프레임워크를 제공하기 위해 Harvard와 협력했습니다. 대규모 언어 모델을 훈련하는 데는 수개월이 걸리고 수백 또는 수천 개의 GPU를 사용하는 것으로 알려져 있습니다. LLaMA270B 모델을 예로 들면, 훈련에는 총 1,720,320 GPU 시간이 필요합니다. 대규모 모델을 교육하면 이러한 워크로드의 규모와 복잡성으로 인해 고유한 체계적 문제가 발생합니다. 최근 많은 기관에서 SOTA 생성 AI 모델을 훈련할 때 훈련 프로세스의 불안정성을 보고했습니다. 이는 일반적으로 손실 급증의 형태로 나타납니다. 예를 들어 Google의 PaLM 모델은 훈련 과정에서 최대 20번의 손실 급증을 경험했습니다. 수치 편향은 이러한 훈련 부정확성의 근본 원인입니다.
